Metode Kernel. Machine Learning
|
|
- Indra Kusumo
- 7 tahun lalu
- Tontonan:
Transkripsi
1 MMA10991 Topik Khusus Machine Learning Metode Kernel Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok Telp / , Fax , . Machine Learning Input Metode Output x 1 x 2 : x D y(x,w) Klasifikasi, regresi, clustering, dll Preprocessing: representasi data (dalam bentuk vektor), pemilihan/ekstraksi fitur dari data, misal x i = (x 1, x 2,.., x D ) T Learning: pemilihan model dan penentuan parameter metode, misal w, berdasarkan data pelatihan (training data) Testing: pengujian metode dengan data penguji (testing data) yang tidak sama dengan data pelatihan, sehingga didapat nilai estimasi untuk kapabilitas generalisasi dari metode. 2
2 Learning Diberikan data pelatihan x i, i = 1 sd N, dan/atau t i, i = 1 sd N Supervised Learning. Data pelatihan disertai target, yaitu {x i, t i }, i = 1 sd N. Tujuan pembelajaran adalah membangun model yang dapat menghasilkan output yang benar untuk suatu data input, misal untuk regresi, klasifikasian, regresi ordinal, ranking, dll Unsupervised Learning. Data pelatihan tidak disertai target, yaitu x i, i = 1 sd N. Tujuan pembelajaran adalah membagun model yang dapat menemukan komponen/variabel/fitur tersembunyi pada data pelatihan, yang dapat digunakan untuk: pengelompokan (clustering), reduksi dimensi (dimension reduction), rekomendasi, dll 3 Supervised Learning Regresi Nilai output t i bernilai kontinu (riil) Bertujuan memprediksi output dari data baru dengan akurat Klasifikasi Nilai output t i bernilai diskrit (kelas) Bertujuan mengklasifikasi data baru dengan akurat 4
3 Model Linear Model yang umum digunakan untuk menyelesaikan masalah klasifikasi dan regresi adalah model linear, yaitu model yang merupakan kombinasi linear dari fungsi basis: Dimana x = (x 1, x 2,..., x D ) T adalah variabel input, dan w = (w 0, w 1,..., w D ) T adalah parameter, φ(x) adalah fungsi basis, M adalah jumlah total parameter dari model Biasanya, φ 0 (x) = 1, sehingga w 0 berfungsi sebagai bias Ada banyak pilihan yang mungkin untuk fungsi basis φ(x), misal fungsi linear, fungsi polinomial, fungsi gaussian, fungsi sigmoidal, dll 5 Model Linear Kutukan Dimensi Model linear memiliki sifat-sifat yang penting baik dari aspek komputasi maupun analitik. Penggunaan model linear dengan pendekatan parametrik pada metode klasik memiliki keterbatasan pada aplikasi praktis disebabkan oleh kutukan dimensi (curse of dimensionality) y x, w =w 0 w 1 x w 2 x 2 w 3 x 3 1 D 3 untuk model beorde M, maka pertumbuhan jumlah parameter w proposional dengan D M 6
4 Model Linear Pendekatan Alternatif Pendekatan alternatif adalah menentukan jumlah fungsi basis didepan, akan tetapi masing-masing fungsi basis tersebut adaptif terhadap semua data pembelajaran. Dengan kata lain, menggunakan bentuk parametrik tidak linear dimana nilai-nilai parameter adaptif selama proses training. Contoh metode yang menggunakan pendekatan ini adalah neural networks (NN). 7 Model Linear Pendekatan Nonparametrik Untuk menerapkan metode ini pada masalah skala besar, pendekatan umum yang dilakukan adalah membuat fungsi basis dapat beradaptasi dengan data pembelajaran, dan menetapkan data pembelajaran tersebut sebagai pusat fungsi basis. Selanjutnya, memilih sebagian dari data pembelajaran tersebut selama proses pelatihan (nonparametrik). Dasarnya adalah bahwa data real biasanya memiliki sifat mulus, artinya perubahan sedikit pada data input hanya akan memberikan sedikit perubahan pada output Penggunaan fungsi kernel sebagai fungsi basis adalah salah satu contoh pendekatan seperti ini yang banyak digunakan saat ini. 8
5 Fungsi Kernel : Contoh Salah satu contoh fungsi kernel yang banyak digunakan adalah Gaussian radial basis function (RBF), yaitu: k(x,x') = φ( x-x' ) = exp(- x-x' 2 / 2s 2 ) dimana x' adalah inti yang dipilih dari data pelatihan. Contoh: fungsi basis dengan pusat/inti x' = 5 dan bobot w = 0.04 dapat digambarkan sbb: w * k(x,5) = 0.04 * φ( x-5 ) Metode Kernel = 0.04 * exp(- x-5 2 / 2s 2 ) 9 Fungsi Kernel Definisi Fungsi kernel adalah suatu fungsi k yang mana untuk semua vektor input x,z akan memenuhi kondisi k(x,z) = φ(x) T φ(z) dimana φ(.) adalah fungsi pemetaan dari ruang input ke ruang fitur Dengan kata lain, fungsi kernel adalah fungsi hasil kali dalam (inner product) pada ruang fitur. 10
6 Fungsi Kernel Contoh Contoh 1: k(x,z) = (x T z) 2 adalah fungsi kernel untuk x, z R 2 Bukti: misal x=(x 1,x 2 ), z=(z 1,z 2 ) maka (x T z) 2 = (x 1 z 1 + x 2 z 2 ) 2 = x 12 z x 1 z 1 x 2 z 2 + x 22 z 2 2 = (x 12, 2 x 1 x 2, x 22 ) T (z 12, 2 z 1 z 2, z 22 ) = φ(x) T φ(z) sehingga k(x,z) = (x T z) 2 adalah suatu fungsi kernel dengan fungsi pemetaan φ(x) = (x 12, 2 x 1 x 2, x 2 ), yaitu suatu fungsi pemetaan dari R 2 ke R Fungsi Kernel Aproksimasi Nilai Inner Product Dari definisi dan contoh sebelumnya maka terlihat bahwa jika kita memiliki suatu fungsi kernel maka kita dapat menghitung inner product pada ruang fitur secara langsung dari ruang input tanpa secara eksplisit menghitung koordinat proyeksi masing-masing vektor input pada ruang fitur Inner product adalah operasi yang sangat penting karena sangat erat kaitannya dengan persoalan geometri dari data pada ruang fitur, misal untuk menghitung jarak: φ(x)-φ(z) 2 = φ(x) T φ(x) + φ(z) T φ(z) - 2φ(x) T φ(z) = k(x,x) + k(z,z) - 2k(x,z) 12
7 Fungsi Kernel Konstruksi 1 Pendekatan pertama adalah memilih suatu fungsi pemetaan φ(x) dan kemudian menggunakannya untuk mengkonstruksi kernel dengan cara sbb: M k x, x ' = x T x ' = i x i x ' i=1 i x =x i k x, x ' untuk x ' = 0 13 Fungsi Kernel Konstruksi 1 Contoh lain untuk fungsi basis Gaussian: M k x, x ' = x T x ' = i x i x ' i=1 i x =exp{ x i 2 2s 2 } k x, x ' untuk x ' = 0 14
8 Contoh lain untuk fungsi basis sigmoid: Fungsi Kernel Konstruksi 1 M k x, x ' = x T x ' = i x i x ' i=1 i x = x i s dimana a = 1 1 exp a k x, x ' untuk x ' = 0 15 Pendekatan alternatif adalah dengan cara mengkonstruksi fungsi kernel secara langsung. Selanjutnya, kita harus memastikan bahwa fungsi tersebut adalah suatu fungsi kernel yang benar, yaitu suatu inner product pada ruang fitur. Contoh: Fungsi Kernel Konstruksi 2 Pada Contoh 1, k(x,x') = (x T x') 2 adalah suatu fungsi kernel, karena ia merupakan juga suatu inner product, yaitu k(x,x') = φ(x) T φ(x'), pada ruang fitur yang didefiniskan oleh fungsi pemetaan φ(x) = (x 12, 2 x 1 x 2, x 22 ) Secara umum, untuk menunjukan bahwa k(x,x') adalah fungsi kernel tanpa secara eksplisit mendefiniskan φ(x) adalah berdasarkan kondisi berikut ini: Kondisi cukup dan perlu untuk suatu fungsi k(x,x') menjadi suatu fungsi kernel yang valid adalah bahwa matrix Gram K, dimana elemen-elemenya adalah k(x n,x m ), harus semidefinit positip untuk semua pemilihan yang mungkin dari himpunan {x n } 16
9 Fungsi Kernel Konstruksi 3 Pendekatan lain untuk mengkonstruksi fungsi kernel baru, misal k(x,x'), adalah menggunakan fungsi kernel yang lebih sederhana yang sudah ada, misal k 1 (x,x') dan k 2 (x,x'), berdasarkan sifat-sifat berikut ini: 1. k(x,x') = c k 1 (x,x') 2. k(x,x') = f(x) k 1 (x,x') f(x') 3. k(x,x') = q (k 1 (x,x')) 4. k(x,x') = exp(k 1 (x,x')) 5. k(x,x') = k 1 (x,x') + k 2 (x,x') 6. k(x,x') = k 1 (x,x') k 2 (x,x') 7. k(x,x') = k 3 (φ(x),φ(x')) 8. k(x,x') = x T A x' 9. k(x,x') = k a (x a,x a ') + k b (x b,x b ') 10.k(x,x') = k a (x a,x a ') k b (x b,x b ') dimana c > 0 adalah konstanta, f(.) adalah suatu fungsi, q(.) adalah suatu polinomial dengan koefisien nonnegatif, φ(x) adalah suatu fungsi dari x ke R M, k 3 (.,.) adalah suatu kernel pada R M, A adalah suatu matrik simetri semidefinit positip, x a dan x b adalah variabel x = (x a,x b ), dan k a dan k b adalah fungsi kernel pada ruang yang bersesuaian 17 Fungsi Kernel Konstruksi 3 Contoh: k(x,x') = exp(- x - x' 2 /2σ 2 ) adalah suatu fungsi kernel dikenal juga dengan nama fungsi kernel 'Gaussian' atau kernel radial basis function (RBF). Bukti: Karena x x' 2 = x T x + (x') T x' 2 x T x, maka k(x,x') = exp(-x T x/2σ 2 ) exp(x T x'/σ 2 ) exp(-(x') T x'/2σ 2 ). Dengan menggunakan kondisi 1, 2 dan kondisi 4, dan bahwa k 1 (x,x') = x T x adalah fungsi kernel, maka k(x,x') adalah suatu fungsi kernel 18
10 Fungsi Kernel Contoh Populer Linear : T k(x i, x j ) = x i x j Polynomial : T k(x i, x j ) = (γ x i x j + r) d, dimana γ > 0 Radial basis function (RBF) : Sigmoid : k x i, x j =exp{ x i x j } k x i, x j = tanh x T i x j r, 1 dimana tanh a =2 a 1, dan a = 1 exp a 19 Metode Kernel Keuntungan Fungsi kernel memungkinkan kita untuk mengimplementasikan suatu model pada ruang dimensi lebih tinggi (ruang fitur) tanpa harus mendefinisikan fungsi pemetaan dari ruang input ke ruang fitur (Contoh pada halaman 11) Sehingga, untuk kasus yang nonlinearly separable pada ruang input, diharapkan akan menjadi linearly separable pada ruang fitur Selanjutnya, kita dapat menggunakan hyperplane sebagai decision boundary secara efisien 20
11 Metode Kernel Penggunaan Secara umum, ada dua cara penggunaan metode kernel pada machine learning, yaitu: Penggunaan langsung, yaitu fungsi kernel digunakan sebagai fungsi basis dari model machine learning tersebut, contoh: radial basis function networks Penggunaan tidak langsung melalui kernel trick, yaitu merepresentasikan suatu model kedalam representasi dual yang mengandung inner product dari fungsi pemetaan, contoh: support vector machine, kernel linear regression, kernel Perceptron, dll arg min w,b s.t. L a = 1 2 n=1 N N N m=1 = a n 1 n=1 2 n=1 N 1 2 w 2 t n w T x n b 1, n=1,.., N = a n 1 n=1 2 n=1 Metode Kernel Kernel Trick N N a n a m t n t m x n T x n n=1 m=1 N N m=1 N N m=1 a n a m t n t m x n T x m a n a m t n t m k x n, x m arg max a s.t. N N a n a m t n t m x n T x n b n=1 m=1 N L a = a n 1 n=1 2 n=1 a n 0, n=1,.., N N a n t n =0 n=1 N N m=1 N a n n=1 a n t n a n a m t n t m k x n, x m
12 Referensi Bishop, C. H., Pattern Recognition and Machine Learning, Springer, 2006 (Bab 6.1, Bab 6.2) Shawe-Taylor, J., Cristianini, N., Kernel Method for Pattern Analysis, Cambridge University Press, 2004
Neural Networks. Machine Learning
MMA10991 Topik Khusus - Machine Learning Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439, Fax. +62-21-7863439,
Lebih terperinciSVM untuk Regresi. Machine Learning
MMA10991 Topik Khusus - Machine Learning Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439, Fax. +62-21-7863439,
Lebih terperinciSVM untuk Regresi Ordinal
MMA10991 Topik Khusus - Machine Learning Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439, Fax. +62-21-7863439,
Lebih terperinciModel Linear untuk Klasifikasi
MMA10991 Topik Khusus - Machine Learning Model Linear untuk Klasifikasi Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439,
Lebih terperinciSupport Vector Machine
MMA10991 Topik Khusus Machine Learning Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439, Fax. +62-21-7863439,
Lebih terperinciModel Linear untuk Regresi
MMA10991 Topik Khusus - Machine Learning Model Linear untuk Regresi Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439,
Lebih terperinciRadial Basis Function Networks
MMA099 Topik Khusus Machine Learning Radial Basis Function Networks Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 6424 Telp. +62-2-786279/7863439,
Lebih terperinciSVM untuk Ranking. Model Linear
MMA10991 Topik Khusus - Machine Learning Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439, Fax. +62-21-7863439,
Lebih terperinciBUKU RANCANGAN PEMBELAJARAN
BUKU RANCANGAN PEMBELAJARAN Mata Kuliah Machine Learning oleh Dr. rer. nat. Hendri Murfi Program Studi Magister Matematika Departemen Matematika - FMIPA Universitas Indonesia 2013 DAFTAR ISI DAFTAR ISI
Lebih terperinciPendahuluan* Data vs Informasi
MMA10991 Topik Khusus - Pendahuluan* Dr. rer. nat. Hendri Murfi * Beberapa bagian dari slide ini adalah terjemahan dari slide Data Mining oleh I. H. Witten, E. Frank dan M. A. Hall Intelligent Data Analysis
Lebih terperinciMatrix Factorization. Machine Learning
MMA10991 Topik Khusus - Machine Learning Matrix Factorization Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 05.11.13 1 Telp.
Lebih terperinciKAJIAN KEMAMPUAN GENERALISASI SUPPORT VECTOR MACHINE DALAM PENGENALAN JENIS SPLICE SITES PADA BARISAN DNA
KAJIAN KEMAMPUAN GENERALISASI SUPPORT VECTOR MACHINE DALAM PENGENALAN JENIS SPLICE SITES PADA BARISAN DNA Djati Kerami dan Hendri Murfi Departemen Matematika, FMIPA, Universitas Indonesia, Depok 16424,
Lebih terperinciJaringan syaraf dengan lapisan tunggal
Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak manusia yang mencoba untuk mensimulasikan proses pembelajaran pada otak manusia. Syaraf manusia Jaringan syaraf dengan lapisan
Lebih terperinciBAB III LANDASAN TEORI. Definisi Peramalan adalah memperkiraan atau memproyeksikan sesuatu
BAB III LANDASAN TEORI 3.1 Definisi Peramalan Definisi Peramalan adalah memperkiraan atau memproyeksikan sesuatu yang akan terjadi dimasa sekarang maupun yang akan datang. dikarena masa yang akan datang
Lebih terperinci1. Pendahuluan. 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Persaingan dalam dunia bisnis, terlebih lagi bagi perusahaan besar, tidak lepas dari adanya proses jual beli saham. Saham secara umum merupakan surat berharga yang dapat
Lebih terperinciPengantar Support Vector Machine
Pengantar Support Vector Machine Anto Satriyo Nugroho February 8, 2007 1 Pengantar Pattern Recognition (PR) didefinisikan sebagai proses pemetaan suatu data ke dalam konsep tertentu yang telah didefinisikan
Lebih terperincig(x, y) = F 1 { f (u, v) F (u, v) k} dimana F 1 (F (u, v)) diselesaikan dengan: f (x, y) = 1 MN M + vy )} M 1 N 1
Fast Fourier Transform (FFT) Dalam rangka meningkatkan blok yang lebih spesifik menggunakan frekuensi dominan, akan dikalikan FFT dari blok jarak, dimana jarak asal adalah: FFT = abs (F (u, v)) = F (u,
Lebih terperinciStudi Kasus Sistem Rekomendasi
MMA10991 Topik Khusus - Machine Learning Studi Kasus Sistem Rekomendasi Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439,
Lebih terperinciStudi Kasus Klasifikasi Hutan
MMA10991 Topik Khusus Machine Learning Studi Kasus Klasifikasi Hutan Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62
Lebih terperinciPERAMALAN DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN SUPPORT VECTOR REGRESSION
PERAMALAN DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN SUPPORT VECTOR REGRESSION Budi Santosa, Riza Nugraha Jurusan Teknik Industri Institut Teknologi Sepuluh Nopember (ITS) Surabaya Kampus ITS Sukolilo
Lebih terperinciKLASIFIKASI WILAYAH DESA-PERDESAAN DAN DESA-PERKOTAAN WILAYAH KABUPATEN SEMARANG DENGAN SUPPORT VECTOR MACHINE (SVM)
KLASIFIKASI WILAYAH DESA-PERDESAAN DAN DESA-PERKOTAAN WILAYAH KABUPATEN SEMARANG DENGAN SUPPORT VECTOR MACHINE (SVM) SKRIPSI Disusun Oleh : MEKAR SEKAR SARI NIM. 24010210120008 JURUSAN STATISTIKA FAKULTAS
Lebih terperinciPendahuluan : Evaluasi*
MMA10991 Topik Khusus - Machine Learning Pendahuluan : Evaluasi* Dr. rer. nat. Hendri Murfi * Beberapa bagian dari slide ini adalah terjemahan dari slide Data Mining oleh I. H. Witten, E. Frank dan M.
Lebih terperinciPENERAPAN METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) PADA DATA AKREDITASI SEKOLAH DASAR (SD) DI KABUPATEN MAGELANG
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 811-820 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENERAPAN METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) PADA
Lebih terperinciAnalisis Akurasi Support Vector Machine...
ANALISIS AKURASI SUPPORT VECTOR MACHINE DENGAN FUNGSI KERNEL GAUSSIAN RBF UNTUK PRAKIRAAN BEBAN LISTRIK HARIAN SEKTOR INDUSTRI Luqman Assaffat 1 * 1 Jurusan Teknik Elektro, Fakultas Teknik, Universitas
Lebih terperinciUJI KINERJA LEARNING TO RANK DENGAN METODE SUPPORT VECTOR REGRESSION
IndoMS Journal on Industrial and Applied Mathematics Volume. 2, Issue. 1 (2015), pp. 15-25 UJI KINERJA LEARNING TO RANK DENGAN METODE SUPPORT VECTOR REGRESSION ABDUL AZIS ABDILLAH, HENDRI MURFI, DAN YUDI
Lebih terperinciBAB III PEMBAHASAN. FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan
BAB III PEMBAHASAN Pada bab ini berisi mengenai FRBFNN, prosedur pembentukan model FRBFNN, Arsitektur FRBFNN, aplikasi FRBFNN untuk meramalkan kebutuhan listrik di D.I Yogyakarta. A. Radial Basis Function
Lebih terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Model Neuron JST 2. Arsitektur JST 3. Jenis Arsitektur JST 4. MsCulloh Pitts 5. Jaringan Hebb 2 Model Neuron JST X1 W1 z n wi xi; i1 y H ( z) Y1 X2 Y2 W2
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Dalam bab ini dibahas teori yang digunakan sebagai landasan pengerjaan Support Vector Backpropagation. Pembahasan bertujuan untuk menguraikan teori dan algoritma yang digunakan dalam
Lebih terperinciPERAMALAN BEBAN LISTRIK BULANAN SEKTOR INDUSTRI MENGGUNAKAN SUPPORT VECTOR MACHINE DENGAN VARIASI FUNGSI KERNEL
PERAMALAN BEBAN LISTRIK BULANAN SEKTOR INDUSTRI MENGGUNAKAN SUPPORT VECTOR MACHINE DENGAN VARIASI FUNGSI KERNEL Luqman Assaffat Program Studi Teknik Elektro, Fakultas Teknik Universitas Muhammadiyah Semarang
Lebih terperinciBAB II NEURAL NETWORK (NN)
BAB II NEURAL NETWORK (NN) 2.1 Neural Network (NN) Secara umum Neural Network (NN) adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan syaraf manusia. NN ini merupakan
Lebih terperinciKLASIFIKASI LAMA STUDI MAHASISWA FSM UNIVERSITAS DIPONEGORO MENGGUNAKAN REGRESI LOGISTIK BINER DAN SUPPORT VECTOR MACHINE (SVM)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 1, Tahun 2015, Halaman 123-132 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian KLASIFIKASI LAMA STUDI MAHASISWA FSM UNIVERSITAS DIPONEGORO
Lebih terperinciSKRIPSI. Oleh : PUSPHITA ANNA OCTAVIANI NIM PENERAPAN METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM)
PENERAPAN METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) PADA DATA AKREDITASI SEKOLAH DASAR (SD) DI KABUPATEN MAGELANG SKRIPSI Oleh : PUSPHITA ANNA OCTAVIANI NIM. 24010210120043 JURUSAN STATISTIKA FAKULTAS
Lebih terperinciPENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMENT INVARIANT DAN JARINGAN SYARAF RADIAL BASIS FUNCTION (RBF)
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Yogyakarta, 14 Mei 2011 PENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMENT INVARIANT DAN JARINGAN SYARAF
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Kredit merupakan salah satu bentuk usaha sekunder yang dapat dilakukan untuk pemenuhan kebutuhan sehari-hari. Pada umumya, proses kredit dapat dilayani melalui lembaga
Lebih terperinciPRESENTASI TUGAS AKHIR IMPLEMENTASI PENGGABUNGAN ALGORITMA SUPPORT VECTOR MACHINE DAN SIMULATED ANNEALING PADA PERMASALAHAN KLASIFIKASI POLA
PRESENTASI TUGAS AKHIR IMPLEMENTASI PENGGABUNGAN ALGORITMA SUPPORT VECTOR MACHINE DAN SIMULATED ANNEALING PADA PERMASALAHAN KLASIFIKASI POLA Penyusun Tugas Akhir : Astris Dyah Perwita (NRP : 5110.100.178)
Lebih terperinciData Mining Terapan dengan Matlab
Pendahuluan i ii Data Mining Terapan dengan Matlab Pendahuluan iii DATA MINING TERAPAN DENGAN MATLAB Oleh : Budi Santosa Edisi Pertama Cetakan Pertama, 2007 Hak Cipta 2007 pada penulis, Hak Cipta dilindungi
Lebih terperinciBAB 3 PROSEDUR DAN METODOLOGI. menawarkan pencarian citra dengan menggunakan fitur low level yang terdapat
BAB 3 PROSEDUR DAN METODOLOGI 3.1 Permasalahan CBIR ( Content Based Image Retrieval) akhir-akhir ini merupakan salah satu bidang riset yang sedang berkembang pesat (Carneiro, 2005, p1). CBIR ini menawarkan
Lebih terperinciANALISIS PERFORMANSI PERUSAHAAN SYARIAH DI BURSA EFEK INDONESIA (BEI) MENGGUNAKAN METODE DISCRIMINANT ANALYSIS DAN SUPPORT VECTOR MACHINE (SVM)
ANALISIS PERFORMANSI PERUSAHAAN SYARIAH DI BURSA EFEK INDONESIA (BEI) MENGGUNAKAN METODE DISCRIMINANT ANALYSIS DAN SUPPORT VECTOR MACHINE (SVM) NUR SYAFRIDA - 1308 100 065 Pembimbing : Muhammad Mashuri,
Lebih terperinci4 Notepad dan Microsoft Excel sebagai editor data.
dengan menggunakan perangkat lunak ENVI disimpan dalam file.txt (Lampiran 1). File ini berisi informasi mengenai panjang gelombang dan nilai pantulan (reflectance) objek di permukaan bumi. Objek yang diperlukan
Lebih terperinciIMPLEMENTASI TWITTER SENTIMENT ANALYSIS UNTUK REVIEW FILM MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE
Jurnal Informatika Polinema ISSN: 2407-070X IMPLEMENTASI TWITTER SENTIMENT ANALYSIS UNTUK REVIEW FILM MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE Faisal Rahutomo 1, Pramana Yoga Saputra 2, Miftahul Agtamas
Lebih terperinciPENGGOLONGAN UANG KULIAH TUNGGAL MENGGUNAKAN SUPPORT VECTOR MACHINE
E-Jurnal Matematika Vol. 6 (4), November 2017, pp. 220-225 ISSN: 2303-1751 DOI: https://doi.org/10.24843/mtk.2017.v06.i04.p169 PENGGOLONGAN UANG KULIAH TUNGGAL MENGGUNAKAN SUPPORT VECTOR MACHINE I Gede
Lebih terperinciSTUDI KOMPARASI METODE KLASIFIKASI DUA KELAS
Program Studi MMT-ITS, Surabaya Pebruari 007 STUDI KOMPARASI METODE KLASIFIKASI DUA KELAS Budi Santosa dan Devi Rosita Hanum Teknik Industri Institut Teknologi Sepuluh Nopember Email: budi_s@ie.its.ac.id,
Lebih terperinci2. Adanya resiko pemumpukan barang pada gudang.
BAB 3 PROSEDUR DAN METODOLOGI 3.1. Analisis Masalah 3.1.1. Deskripsi Masalah Pemenuhan keinginan atau permintaan pasar merupakan hal yang krusial bagi setiap perusahaan. Perusahaan yang siap berkompetisi
Lebih terperinciANALISA ALGORITMA SUPPORT VECTOR MACHINE (SVM) DALAM MEMPREDIKSI NASABAH YANG BERPELUANG KREDIT MACET
ANALISA ALGORITMA SUPPORT VECTOR MACHINE (SVM) DALAM MEMPREDIKSI NASABAH YANG BERPELUANG KREDIT MACET Nugraha Rahmansyah Universitas Putra Indonesia YPTK Padang, Indonesia nugraha.rahmansyah@gmail.com
Lebih terperinciBAB 2 LANDASAN TEORI. fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
8 BAB 2 LANDASAN TEORI 2.1 Teori Neuro Fuzzy Neuro-fuzzy sebenarnya merupakan penggabungan dari dua studi utama yaitu fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN 3.1. Wilayah dan Jadwal Penelitian Wilayah penelitan adalah Kota Banda Aceh. Penelitian ini dilakukan mulai bulan April sampai Juli 2014. 3.2. Populasi dan Sampel Populasi dalam
Lebih terperinciPERBANDINGAN PERAMALAN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN SUPPORT VECTOR MACHINES DAN JARINGAN SARAF TIRUAN
PERBANDINGAN PERAMALAN INDEKS HARGA SAHAM GABUNGAN MENGGUNAKAN SUPPORT VECTOR MACHINES DAN JARINGAN SARAF TIRUAN Karina Priscilia 1, Rian Febrian Umbara 2, Jondri 3 School of Computing Telkom University,
Lebih terperinciBAB 2 KAJIAN PUS TAKA
BAB 2 KAJIAN PUS TAKA 2.1. Data Mining Dalam membuat sebuah keputusan bisnis, dibutuhkan sejumlah pengetahuan mengenai kondisi pasar sehingga keputusan bisnis tersebut dapat menghasilkan perkembangan yang
Lebih terperinciPERBANDINGAN HASIL PEMODELAN ARTIFICIAL NEURAL NETWORKS DAN KERNEL SMOOTHING PADA DATA REGRESI NON LINIER
TUGAS AKHIR - ST 1325 PERBANDINGAN HASIL PEMODELAN ARTIFICIAL NEURAL NETWORKS DAN KERNEL SMOOTHING PADA DATA REGRESI NON LINIER ADITYA HIDAYAT JATI NRP 1302100044 Dosen Pembimbing Dra. Kartika Fitriasari,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.6. Jaringan Syaraf Tiruan Jaringan syaraf tiruan atau neural network merupakan suatu sistem informasi yang mempunyai cara kerja dan karakteristik menyerupai jaringan syaraf pada
Lebih terperinciKLASIFIKASI CITRA PARU MENGGUNAKAN MODEL SELF-ORGANIZING MAPS RADIAL BASIS FUNCTION NEURAL NETWORKS (SOM-RBFNN) SKRIPSI
KLASIFIKASI CITRA PARU MENGGUNAKAN MODEL SELF-ORGANIZING MAPS RADIAL BASIS FUNCTION NEURAL NETWORKS (SOM-RBFNN) SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri
Lebih terperinciPengklasifikasian Pada Data Echocardiogram Dengan Menggunakan Support Vector Machine dan Analisis Diskriminan
Gede Suwardika. (2017). Pengklasifikasian Pada Data Echocardiogram Dengan Menggunakan Support Vector Machine dan Analisis Diskriminan. International Journal of Natural Science and Engineering. Vol.1 (1)
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Seperti halnya semua algoritma dalam pattern recognition pada real-world domain, Support Vector Machine juga selalu mengalami masalah pada tingginya dimensi data yang
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Klasifikasi Klasifikasi adalah sebuah proses untuk menemukan sebuah model yang menjelaskan dan membedakan konsep atau kelas data dengan tujuan memperkirakan kelas dari suatu objek
Lebih terperinciBAB I PENDAHULUAN. Sistem penglihatan manusia memiliki akurasi yang besar dalam mengenali
BAB I PENDAHULUAN 1.1. Latar Belakang Sistem penglihatan manusia memiliki akurasi yang besar dalam mengenali objek 3 dimensi. Sistem penglihatan manusia dapat membedakan berbagai macam objek 3 dimensi
Lebih terperinciBab 5 Penerapan Neural Network Dalam Klasifikasi Citra Penginderaan Jauh
Penerapan Neural Dalam Klasifikasi Citra Penginderaan Jauh Klasifikasi citra penginderaan jarak jauh (inderaja) merupakan proses penentuan piksel-piksel masuk ke dalam suatu kelas obyek tertentu. Pendekatan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Sering terdapat tenggang waktu (time lag) antara kesadaran akan peristiwa atau kebutuhan mendatang dengan peristiwa itu sendiri. Adanya waktu tenggang ini merupakan
Lebih terperinciPENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMEN INVARIAN DAN RADIAL BASIS FUNCTION (RBF)
PENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMEN INVARIAN DAN RADIAL BASIS FUNCTION (RBF) AINUN JARIAH 1209201721 DOSEN PEMBIMBING 1. Prof. Dr. Mohammad Isa Irawan, M.T 2. Dr Imam Mukhlas, S.Si, M.T
Lebih terperinciSISTEM DETEKSI PENYAKIT DIABETES MENGGUNAKAN METODE SUPPORT VECTOR MACHINES
IndoMS Journal on Statistics Vol. 2, No. 2 (2014), pp. 27 36 SISTEM DETEKSI PENYAKIT DIABETES MENGGUNAKAN METODE SUPPORT VECTOR MACHINES Abdul Azis Abdillah 1 dan Suwarno 2 1,2 STKIP Surya, 1 Politeknik
Lebih terperinciPENDETEKSIAN JENIS DAN KELAS AROMA DENGAN MENGGUNAKAN METODE ONE-VS-ONE DAN METODE ONE-VS-REST
MAKARA, SAINS, VOL. 7, NO.3, DESEMBER 2003 PENDETEKSIAN JENIS DAN KELAS AROMA DENGAN MENGGUNAKAN METODE ONE-VS-ONE DAN METODE ONE-VS-REST Zuherman Rustam 1,3, Benyamin Kusumoputro 2,3 dan Belawati Widjaja
Lebih terperinciKLASIFIKASI PENERIMA PROGRAM BERAS MISKIN (RASKIN) DI KABUPATEN WONOSOBO DENGAN METODE SUPPORT VECTOR MACHINE MENGGUNAKAN LibSVM SKRIPSI
KLASIFIKASI PENERIMA PROGRAM BERAS MISKIN (RASKIN) DI KABUPATEN WONOSOBO DENGAN METODE SUPPORT VECTOR MACHINE MENGGUNAKAN LibSVM SKRIPSI Oleh : YOGI SETIYO PAMUJI 24010211130053 JURUSAN STATISTIKA FAKULTAS
Lebih terperinciPrediksi Financial Time Series Menggunakan Independent Component Analysis dan Support Vector Regression Studi Kasus : IHSG dan JII
ISSN : 355-9365 e-proceeding of Engineering : Vol., No. Agustus 015 Page 3608 Prediksi Financial Time Series Menggunakan Independent Component Analysis dan Support Vector Regression Studi Kasus : IHSG
Lebih terperinciImplementasi Regresi Ridge dan Regresi Kernel Ridge dalam Memprediksi Harga Saham Berbasis Indikator Teknis
Implementasi Regresi Ridge dan Regresi Kernel Ridge dalam Memprediksi Harga Saham Berbasis Indikator Teknis Alfian Rizqy Tanjung 1, Zuherman Rustam 1 1 Departemen Matematika, FMIPA UI, Kampus UI Depok
Lebih terperinciTidak ada tepat satu teori untuk menyelesaikan problem pengenalan pola Terdapat model standar yang dapat dijadikan teori acuan
Terdapat banyak jenis pola: Pola visual Pola temporal Pola logikal Tidak ada tepat satu teori untuk menyelesaikan problem pengenalan pola Terdapat model standar yang dapat dijadikan teori acuan Statistik
Lebih terperinciBAB III PEMBAHASAN. Radial Basis Function Neural Network (FRBFNN), prosedur pembentukan model
BAB III PEMBAHASAN Bab III merupakan pembahasan yang meliputi proses penelitian yaitu Fuzzy Radial Basis Function Neural Network (FRBFNN), prosedur pembentukan model FRBFNN, hasil model FRBFNN untuk deteksi
Lebih terperinciPEMODELAN GENERAL REGRESSION NEURAL NETWORK (GRNN) DENGAN PEUBAH INPUT DATA RETURN UNTUK PERAMALAN INDEKS HANGSENG
PEMODELAN GENERAL REGRESSION NEURAL NETWORK (GRNN) DENGAN PEUBAH INPUT DATA RETURN UNTUK PERAMALAN INDEKS HANGSENG R. E. Caraka 1, H. Yasin 2 dan A. Prahutama 3 1,2,3 JurusanStatistika, Fakultas Sains
Lebih terperinciPenggunaan Kernel PCA Gaussian dalam Penyelesaian Plot Multivariat Non Linier. The Use of Gaussian PCA Kernel in Solving Non Linier Multivariate Plot
Penggunaan Kernel PCA Gaussian dalam Penyelesaian Plot Multivariat Non Linier Bernhard M. Wongkar 1, John S. Kekenusa 2, Hanny A.H. Komalig 3 1 Program Studi Matematika, FMIPA, UNSRAT Manado, bernhard.wongkar2011@gmail.com
Lebih terperinciBAB III MODEL STATE-SPACE. dalam teori kontrol modern. Model state space dapat mengatasi keterbatasan dari
BAB III MODEL STATE-SPACE 3.1 Representasi Model State-Space Representasi state space dari suatu sistem merupakan suatu konsep dasar dalam teori kontrol modern. Model state space dapat mengatasi keterbatasan
Lebih terperinciIMPLEMENTASI DAN ANALISIS ONLINE UPDATING REGULARIZATION KERNEL MATRIX FACTORIZATION MODEL PADA SISTEM REKOMENDASI
IMPLEMENTASI DAN ANALISIS ONLINE UPDATING REGULARIZATION KERNEL MATRIX FACTORIZATION MODEL PADA SISTEM REKOMENDASI Kadek Byan Prihandana Jati, S.Kom 1, Agung Toto Wibowo, ST.,MT. 2, Rita Rismala, ST.,MT.
Lebih terperinciPerangkat Lunak - Weka*
MMA10991 Topik Khusus - Machine Learning Perangkat Lunak - Weka* Dr. rer. nat. Hendri Murfi * Beberapa bagian dari slide ini adalah terjemahan dari slide Data Mining oleh I. H. Witten, E. Frank dan M.
Lebih terperinciBAB I PENDAHULUAN. ada tiga, yaitu association rules, classification dan clustering.
BAB I PENDAHULUAN 1.1. Latar Belakang Data mining adalah serangkaian proses untuk menggali nilai tambah berupa informasi yang selama ini tidak diketahui secara manual dari suatu basis data. Informasi yang
Lebih terperinciREDUKSI DIMENSI INPUT PADA JARINGAN SYARAF PCA-RBF DENGAN SINGULAR VALUE DECOMPOSITION
REDUKSI DIMENSI INPUT PADA JARINGAN SYARAF PCA-RBF DENGAN SINGULAR VALUE DECOMPOSITION Abdul Hakim Maulana, Oni Soesanto, Thresye Program Studi Matematika Fakultas MIPA Universitas Lambung Mangkurat Email:
Lebih terperinciSUPPORT VECTOR MACHINE (SVM)
MAKALAH DATA MINING SUPPORT VECTOR MACHINE (SVM) Di Susun Oleh : Nama : RA. Toyyibatul Faihah NRP : 07.04.111.00132 JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNIK UNIVERSITAS TRUNOJOYO 2010 1 PENDAHULUAN 1.1
Lebih terperinciKombinasi KPCA dan Euclidean Distance untuk Pengenalan Citra Wajah
Kombinasi KPCA dan Euclidean Distance untuk Pengenalan Citra Wajah Rima Tri Wahyuningrum 1,2 Prodi Teknik Informatika, Fakultas Teknik, Universitas Trunojoyo Jl. Raya Telang, PO BOX 2 Kamal, Bangkalan
Lebih terperinciBAB I PENDAHULUAN. Peramalan (forecasting) adalah kegiatan untuk meramalkan apa yang akan
BAB I PENDAHULUAN A. Latar Belakang Peramalan (forecasting) adalah kegiatan untuk meramalkan apa yang akan terjadi pada masa yang akan datang. Sedangkan ramalan adalah suatu situasi atau kondisi yang akan
Lebih terperinciLOGIKA SAMAR (FUZZY LOGIC)
LOGIKA SAMAR (FUZZY LOGIC) 2. Himpunan Samar 2.. Himpunan Klasik dan Himpunan Samar Himpunan klasik merupakan himpunan dengan batasan yang tegas (crisp) (Jang, Sun, dan Mizutani, 24). Sebagai contoh :
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI Pada bab ini akan dibahas mengenai teori pendukung dan penelitian sebelumnya yang berhubungan dengan metode ekstraksi fitur, serta metode klasifikasi Support Vector Machine dalam
Lebih terperinciBAB III LANDASAN TEORI
BAB III LANDASAN TEORI 3.1. Citra Digital Citra digital adalah suatu citra elektronik yang diambil dari dokumen, seperti foto, buku, maupun sebuah video. Proses perubahan citra analog menjadi citra digital
Lebih terperinciSUPPORT VECTOR MACHINE UNTUK IMAGE RETRIEVAL
SUPPORT VECTOR MACHINE UNTUK IMAGE RETRIEVAL Muhammad Athoillah 1, M. Isa Irawan 2 dan Elly Matul Imah 3 1 Jurusan Matematika, FMIPA, Institut Teknologi Sepuluh Nopember, Jl. Arief Rahman Hakim, Surabaya,
Lebih terperinciMODEL FUZZY RADIAL BASIS FUNCTION NEURAL NETWORK UNTUK PERAMALAN KEBUTUHAN LISTRIK DI PROVINSI DAERAH ISTIMEWA YOGYAKARTA
MODEL FUZZY RADIAL BASIS FUNCTION NEURAL NETWORK UNTUK PERAMALAN KEBUTUHAN LISTRIK DI PROVINSI DAERAH ISTIMEWA YOGYAKARTA TUGAS AKHIR SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Bab ini akan membahas tentang teori-teori pendukung dan penelitian sebelumnya yang berhubungan dengan prediksi produksi kelapa sawit dan penerapan jaringan saraf Radial Basis Function
Lebih terperinciTeknik Reduksi Dimensi Menggunakan Komponen Utama Data Partisi Pada Pengklasifikasian Data Berdimensi Tinggi dengan Ukuran Sampel Kecil
Teknik Reduksi Dimensi Menggunakan Komponen Utama Data Partisi Pada Pengklasifikasian Data Berdimensi Tinggi dengan Ukuran Sampel Kecil Ronny Susetyoko, Elly Purwantini Politeknik Elektronika Negeri Surabaya
Lebih terperinciPERBANDINGAN METODE KDDA MENGGUNAKAN KERNEL RBF, KERNEL POLINOMIAL DAN METODE PCA UNTUK PENGENALAN WAJAH AKIBAT VARIASI PENCAHAYAAN ABSTRAK
PERBANDINGAN METODE KDDA MENGGUNAKAN KERNEL RBF, KERNEL POLINOMIAL DAN METODE PCA UNTUK PENGENALAN WAJAH AKIBAT VARIASI PENCAHAYAAN Jurusan Teknik Elektro, Fakultas Teknik Jl. Prof. Drg. Suria Sumantri
Lebih terperinciPREDIKSI THD TEGANGAN SISTEM TENAGA LISTRIK MENGGUNAKAN SUPPORT VECTOR MACHINE DENGAN FUNGSI KERNEL GAUSSIAN RBF
PREDIKSI THD TEGANGAN SISTEM TENAGA LISTRIK MENGGUNAKAN SUPPORT VECTOR MACHINE DENGAN FUNGSI KERNEL GAUSSIAN RBF Luqman Assaffat Universitas Muhammadiyah Semarang assaffat@unimus.ac.id ABSTRACT The voltage
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Matriks Matriks adalah himpunan bilangan real yang disusun secara empat persegi panjang, mempunyai baris dan kolom dengan bentuk umum : Tiap-tiap bilangan yang berada didalam
Lebih terperinciBAB VIII JARINGAN SYARAF TIRUAN
BAB VIII JARINGAN SYARAF TIRUAN A. OTAK MANUSIA Otak manusia berisi berjuta-juta sel syaraf yang bertugas untuk memproses informasi. Tiaptiap sel bekerja seperti suatu prosesor sederhana. Masing-masing
Lebih terperinciPrediksi Nilai Indeks Harga Konsumen (IHK) Kota Jambi Menggunakan Radial Basis Function Neural Network (RBFNN) dengan Metode Fuzzy C-Means Clustering
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 T - 12 Prediksi Nilai Indeks Harga Konsumen (IHK) Kota Jambi Menggunakan Radial Basis Function Neural Network (RBFNN) dengan Metode Fuzzy C-Means Clustering
Lebih terperinciPENGENALAN HURUF TULISAN TANGAN MENGGUNAKAN METODE ZONING DAN SUPPORT VECTOR MACHINE
PENGENALAN HURUF TULISAN TANGAN MENGGUNAKAN METODE ZONING DAN SUPPORT VECTOR MACHINE Christyawan Ridanto Pitoyo, Tjut Awaliyah Zuraiyah, Arie Qur ania Email : christyawan.ridanto@gmail.com Program Studi
Lebih terperinciBAB I PENDAHULUAN. sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu dapat
BAB I PENDAHULUAN 1.1 Latar Belakang Jika kita mempunyai data yang terdiri dari dua atau lebih variabel maka sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu dapat berhubungan, hubungan
Lebih terperinciKLASIFIKASI LAMA STUDI MAHASISWA FSM UNIVERSITAS DIPONEGORO MENGGUNAKAN REGRESI LOGISTIK BINER DAN SUPPORT VECTOR MACHINE (SVM)
KLASIFIKASI LAMA STUDI MAHASISWA FSM UNIVERSITAS DIPONEGORO MENGGUNAKAN REGRESI LOGISTIK BINER DAN SUPPORT VECTOR MACHINE (SVM) SKRIPSI Disusun Oleh : SRI MAYA SARI DAMANIK 24010210120002 JURUSAN STATISTIKA
Lebih terperinciBAB III METODE PENELITIAN. sekunder berupa citra Magnetic Resonansi Image (MRI) yang diperoleh dari
BAB III METODE PENELITIAN Metode penelitian yang dilakukan pada penelitian ini adalah teknik pengumpulan data dan teknik analisis data. A. Teknik Pengumpulan Data Data yang digunakan pada penelitian ini
Lebih terperinciPREDIKSI HARGA SAHAM PERUSAHAAN KELAPA SAWIT MENGGUNAKAN PEMODELAN MLP DAN RBF
PRDIKSI HARGA SAHAM PRUSAHAAN KLAPA SAWIT MNGGUNAKAN PMODLAN MLP DAN RBF Linda Sari Dewi Program Studi Sistem Informasi STMIK Nusa Mandiri Jakarta Jl. Damai No. 8 Warung Jati Barat (Margasatwa) Jakarta
Lebih terperinciSebelumnya... Pembelajaran Mesin/Machine Learning Pembelajaran dengan Decision Tree (ID3) Teori Bayes dalam Pembelajaran
Sebelumnya... Pembelajaran Mesin/Machine Learning Pembelajaran dengan Decision Tree (ID3) Teori Bayes dalam Pembelajaran Kecerdasan Buatan Pertemuan 11 Jaringan Syaraf Tiruan (Artificial Neural Network)
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Data runtun waktu dari fenomena real seperti data finansial biasanya bersifat nonstasioner. Tipe data runtun waktu finansial biasanya dicirikan oleh pola-pola seperti
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Pengolahan Citra Digital [3] Citra atau gambar didefinisikan sebagai sebuah fungsi dua dimensi, f(x,y), di mana x dan y adalah koordinat bidang datar, dan harga fungsi f di setiap
Lebih terperinciDETEKSI DINI KANKER PARU DENGAN MODEL FUZZY RADIAL BASIS FUNCTION NEURAL NETWORK (FRBFNN) DAN HIGH FREQUENCY EMPHASIS FILTER SKRIPSI
DETEKSI DINI KANKER PARU DENGAN MODEL FUZZY RADIAL BASIS FUNCTION NEURAL NETWORK (FRBFNN) DAN HIGH FREQUENCY EMPHASIS FILTER SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Musim hujan merupakan musim yang mutlak ada di sebagian belahan benua dunia. Dan curah hujan pasti memiliki
BAB I PENDAHULUAN 1.1 Latar Belakang Musim hujan merupakan musim yang mutlak ada di sebagian belahan benua dunia. Dan curah hujan pasti memiliki intensitas yang berbeda. Faktor penyebabnya dapat terjadi
Lebih terperinciBAB II KAJIANPUSTAKA
BAB II KAJIANPUSTAKA 2.1 Klasifikasi Klasifikasi adalah proses pengelompokan data menjadi suatu kelas berdasarkan kesamaan karakteristik pada data data yang ada. Ada 2 jenis metode yang dapat digunakan
Lebih terperinciBAB IV PEMBAHASAN. A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function
BAB IV PEMBAHASAN A. Hasil Model Radial Basis Function Neural Network (RBFNN) Langkah-langkah untuk menentukan model terbaik Radial Basis Function Neural Network (RBFNN) untuk diagnosis penyakit jantung
Lebih terperinci